基于LSSVM算法的商业楼宇碳排放量动态监测方法

王雅 周俊超 张丹丹 王婷婷

摘要： 现阶段对商业楼宇碳排放监测的精准度较低，为此提出基于最小二乘支持向量机的分类和回归算法（LSSVM）的商业楼宇碳排放量动态监测方法。获取碳排放量数据并计算碳排放指标，设计基于LSSVM算法的商业楼宇碳排放量动态监测流程，实现对商业楼宇碳排放量的动态监测。通过设计对比实验，表明该研究方法监测精准度更高，具有更好的监测效果。

关键词：回归算法 碳排放量动态监测 指标计算 监测方法

中图分类号G642

Dynamic Monitoring Methods for Carbon Emissions in Commercial Buildings Based on the LSSVM Algorithm

WANG Ya  ZHOU Junchao  ZHANG Dandan  WANG Tingting

（Harbin Puhua Electric Power Design Co.， Ltd.， Harbin， Heilongjiang Province， 150000 China）

Abstract： By mining the carbon emission data of existing monitoring methods for carbon emissions in commercial buildings， it is found that the monitoring accuracy of carbon emissions is low， so a dynamic monitoring method for carbon emissions in commercial buildings based on the classification and regression algorithm of the least squares support vector machine （LSSVM） is proposed. By this method， carbon emission data is obtained， carbon emission indicators are  calculated based on the obtained results， and the dynamic monitoring process for carbon emissions in commercial buildings based on the LSSVM algorithm is designed in combination with indicators， in order to achieve the dynamic monitoring of carbon emissions in commercial buildings. By designing comparative experiments， it is shown that this research method has higher monitoring accuracy and better monitoring effect.

Key Words： Regression algorithm; Dynamic monitoring of carbon emissions; Indicator calculation; Monitoring method

全球变暖已成为人类社会的共识，这对人类生存构成严重风险[1-2]。建筑业是全球主要的能源消耗和温室气体排放部门[3]。因此本文提出一种基于最小二乘支持向量机的分类和回归算法（Least Squares Support Vector Machine，LSSVM）的商业楼宇碳排放量动态监测方法，并通过测试验证该设计方法的可靠性。

1基于LSSVM算法的商业楼宇碳排放量的动态监测方法设计

1.1基于LSSVM算法的碳排放量数据挖掘

利用LSSVM算法计算相关指标，挖掘所需要碳排放数据[4]。存在＝{p1，p2}，其中为样本对应的商业楼宇覆盖的用户数量。假设用户负载数据的增加周期性在LSSVM算法确定日期的前7天，LSSVM算法通过多种方式分发日负荷数据，计算公式为

式（1）中：为日负荷数据的序列是子序列步骤，是样本数据的不同变量的相关系数。使用LSSVM算法为分段序列构建独特的附加信息标签，包括日期、时间和温度[5]。用LSSVM算法建立用户碳排放消耗和温度条件之间的关系，对应子序列日负荷数据为

式（2）中：是日负荷量数据及其子集相对应的特殊负荷信息，是日负荷数据和子子集对应的温度信息标签，是日负荷数据及其子集对应的气象信息标签， 为日负荷数据和子集对应的日信息标签[6]。碳排放的发电方式将开始运行标志是的碳排放负担大于商业楼宇产出功率。满足电能输出用电负荷计算公式为

式（3）中：为碳排放负荷要求对应的碳排放容量，是碳排放动态监测源总容量，与气象和温度直接相关。是基于碳排放的总能源容量，可用LSSVM算法分析。

式（4）中：和分别是天气状况和温度的能量转换参数，是商业楼宇中发电机组转换系数。

利用LSSVM算法获取商业楼宇退出机制与自然因素间的关系，验证日期的相关参数可在LSSVM算法的基础上使用，以实现碳排放监测。假设测量对象的日负荷为，街道为，气象和温度情况分别为和，则总功率为

式（5）中：当时，商业楼宇的输出均为合格值，总碳排放量为0。当时，商业楼宇的最大碳排放动态监测容量无法满足负荷需求[7]。因此，引入碳排放策略，计算碳排放总量的公式为

式（6）中：为总碳排放量，是基于碳排放量的碳排放单位数量，是容量过程的转换因子。如果最大负载大于，则能量存储系统仅是能量源；如果最大负载超过，则默认碳排放量为0。

1.2碳排放指标计算

（1） 根据上述数据挖掘结果，结合二氧化碳分析仪测量的气体浓度为体积浓度，计算碳浓度指标，计算公式为

式（7）中：为二氧化碳浓度换算值，mg/Nm3 ；为碳排放总量，ppm；为二氧化碳分数；为纯排气温度，℃；为纯排气压力，Pa。

（2）碳排放量的计算公式为

式（8）中：为期间累计CO2排放量，；为纯排气流量，Nm3/h；为CO2浓度换算值，mg/Nm3； 10-9为质量换算系数。

（3）单位电量碳排放强度和国民经济生产的增长密切相关。碳排放行业最重要的CO2减排指标是单位电量的CO2排放强度，计算公式为

式（9）中：为单位碳排放的碳强度，g/kWh；表为二氧化碳排放总量；tg为单位发电量，kWh；106为克与吨质量单位间的换算系数。

（4）碳排放的预期盈余可根据现有碳排放生产和当前碳强度评估，每年二氧化碳排放的盈余或平衡使用以下公式计算。

式（10）中：为超过年碳配额的二氧化碳减排当量，t；为机组年度碳配位量，t；为单位容量碳强度，g/kWh；为设备年计划容量。

1.3商业楼宇碳排放量预测实现

商业楼宇的排放量与营业时间、人流量、商业规模、碳排放过程、排放源和运行条件有关。建立综合计算公式为

式（11）中：是营业商铺范围，是碳排放率，是商铺碳排放的特性，是校正系数。为进一步预测商业楼宇的排放量，应用时间相关理论计算商业楼宇运营期间产生的排放量并分析商铺在道路拥堵期间的时间相关因素：

式（12）中：和为区间和区间的时间方差，客流量预测时间公式为

式（13）中：、和分别为正常营业时间、随机店铺和客流拥堵时段的相应时间；为针对总行程时间制定的置信度参数；E是随机状况参数。计算商业楼宇排放量增加公式为

式（14）中：是商业楼宇运行的时间，单位为小时；和是楼宇碳排放负担和最大容量能力；为产生参数。基于LSSVM算法的商业楼宇碳排放量动态监测流程图如图1所示。

2实验论证

2.1实验准备

测试对象为某商业楼宇，该商业楼宇平均小时用电量约120 MW，单位使用生产的最大和最小电量分别为80 kW·h和320 kW· h。光伏系统的标称输出容量为1 520 MW，太阳能系统的能量转换效率为20%，电池存储系统为100 kW·h，最大输出容量为4 000 kW·h。输出容量为100 kW，转换效率为90%。对该商业楼宇覆盖的供电区用电量进行统计分析，当日最大负荷为1 489.5kW，入口负荷为76.2kW。使用三种方法进行持续5日的碳排放监测，记录碳排放结果。

2.2对比实验

碳排放检测结果对比如表1所示。

由表1可知，本文的方法相比传统方法得出的监测误差最小，而传统方法1和传统方法2的监测误差较为明显。实验结果表明：本文研究方法监测精准度更高，具有更好的监测效果。

3结语

传统商业楼宇的碳排放总量跟踪统计需要大量的时间和人力，无法达到碳排放超标的预警。本文研究的方法可提供全面详细的碳排放检测预警功能，管理节能发电计划，减轻变电器的排放负担。本文设计的方法确保了碳排放数据的完整性、准确性和可验证性，为实施国家碳排放监测提供了支持。

参考文献

[1] 卢阳，杨理，甘萍萍，等.碳税征收对我国汽车制造业的影响：基于CGE模型[J].湖南税务高等专科学校学报，2023，36（4）：3-12.

[2] 裴国斐，希望·阿不都瓦依提，晁勤，等.计及CCS-P2G耦合运行的综合能源系统低碳经济调度[J].现代电子技术，2023，46（15）：128-134.

[3] 韩金宝，蔡雯霞，诸葛瑞阳.碳排放权交易政策对地区碳绩效的影响：基于链式中介效应的检验[J].金融理论与实践，2023（7）：60-70.

[4] 袁嫚.数字普惠金融对城市碳排放的影响研究：基于长三角区域面板数据的实证分析[J].长春金融高等专科学校学报，2023（4）：10-17.

[5] 刘佳怡，安圣涛，彭心悦，等.乡村振兴背景下绿色普惠金融对农业碳减排影响研究：基于STIRPAT模型[J].科技创业月刊，2023，36（7）：15-20.

[6] 项康利，陈津莼，陈思敏.基于Stacking集成学习的福建省火电行业碳足迹情景预测[J].福州大学学报（自然科学版），2023，51（4）：558-565.